CN107220769A - 一种企业信用风险评估方法及系统 - Google Patents
一种企业信用风险评估方法及系统 Download PDFInfo
- Publication number
- CN107220769A CN107220769A CN201710386051.6A CN201710386051A CN107220769A CN 107220769 A CN107220769 A CN 107220769A CN 201710386051 A CN201710386051 A CN 201710386051A CN 107220769 A CN107220769 A CN 107220769A
- Authority
- CN
- China
- Prior art keywords
- repaying
- willingness
- business
- data
- factor
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 238000010801 machine learning Methods 0.000 claims abstract description 55
- 238000004458 analytical method Methods 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 11
- 108010094028 Prothrombin Proteins 0.000 claims description 14
- AGVAZMGAQJOSFJ-WZHZPDAFSA-M cobalt(2+);[(2r,3s,4r,5s)-5-(5,6-dimethylbenzimidazol-1-yl)-4-hydroxy-2-(hydroxymethyl)oxolan-3-yl] [(2r)-1-[3-[(1r,2r,3r,4z,7s,9z,12s,13s,14z,17s,18s,19r)-2,13,18-tris(2-amino-2-oxoethyl)-7,12,17-tris(3-amino-3-oxopropyl)-3,5,8,8,13,15,18,19-octamethyl-2 Chemical compound [Co+2].N#[C-].[N-]([C@@H]1[C@H](CC(N)=O)[C@@]2(C)CCC(=O)NC[C@@H](C)OP(O)(=O)O[C@H]3[C@H]([C@H](O[C@@H]3CO)N3C4=CC(C)=C(C)C=C4N=C3)O)\C2=C(C)/C([C@H](C\2(C)C)CCC(N)=O)=N/C/2=C\C([C@H]([C@@]/2(CC(N)=O)C)CCC(N)=O)=N\C\2=C(C)/C2=N[C@]1(C)[C@@](C)(CC(N)=O)[C@@H]2CCC(N)=O AGVAZMGAQJOSFJ-WZHZPDAFSA-M 0.000 claims description 14
- 238000000034 method Methods 0.000 claims description 13
- 238000011221 initial treatment Methods 0.000 claims description 11
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 abstract description 16
- 238000012502 risk assessment Methods 0.000 abstract description 4
- 238000005516 engineering process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Educational Administration (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Financial Or Insurance-Related Operations Such As Payment And Settlement (AREA)
Abstract
本发明实施例公开了一种企业信用风险评估方法及系统,对企业信用风险评估时,可以通过获取表征企业偿债能力和偿债意愿的企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等因子数据,并对这些因子数据进行预处理后,再通过预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;最后,依据企业偿债能力、偿债意愿的预测值和预设的函数,输出企业信用质量分析报告。因此,在无法获得企业的财务信息或者在获得的企业财务信息不全面、不客观的情况下,可以采用以上提到的这些因子数据替代财务信息,对企业信用风险进行评估。
Description
技术领域
本发明涉及风险评估的领域,尤其涉及一种企业信用风险评估的方法及系统。
背景技术
在信用评估方面,中小企业与传统的资本市场相比,存在信息不对称的问题,即,针对于中小企业的一些财务信息,不同信用评估的人员获得的信息不同,有些人对中小企业的信息掌握的比较全面,有一些人掌握的比较贫乏,这就使得无法准确的对中小企业的信用风险进行评估。
发明内容
有鉴于此,本发明实施例提供了一种企业信用风险评估方法及系统,解决了现有技术中当无法获取企业的财务信息,或者获取到的财务信息不全面、不客观的情况下,无法对企业的信用进行评估的问题。
本发明实施例公开了一种企业信用风险评估方法,在本实施例中,所述方法包括:
获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;其中所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等;
基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
依据所述企业偿债能力、偿债意愿的预测值和预设的函数,生成企业信用质量分析报告。
可选的,所述对所述因子数据进行预处理,包括:
对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
可选的,
所述基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力与偿债意愿的预测值,包括:
将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力与偿债意愿包括:企业偿债能力与偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值;
依据所述第二因子数据和调整后的所述机器学习模型,计算企业偿债能力、偿债意愿的预测值。
可选的,还包括:
当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
若满足预设的输出规则,输出所述企业信用质量分析报告。
可选的,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
本发明实施例还提供了一种企业信用风险评估系统,所述系统包括:
企业信息获取模块,用于获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;其中所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等;
企业偿债能力与偿债意愿分析模块,用于基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
企业信用质量分析报告生成模块,用于依据所述企业偿债能力、偿债意愿的预测值和预设的函数,生成企业信用质量分析报告。
可选的,所述企业信息获取模块,包括:
数据处理子模块,用于对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
归一化子模块,用于对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
可选的,所述企业信用质量分析报告生成模块,包括:
数据划分子模块,用于将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
调整子模块,用于将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力与偿债意愿包括:企业偿债能力与偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值;
计算子模块,用于依据所述第二因子数据和调整后的所述机器学习模型,计算企业偿债能力、偿债意愿的预测值。
可选的,还包括:
判断模块,用于当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
输出模块,用于若满足预设的输出规则,输出所述企业信用质量分析报告。
可选的,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
本实施例中,对企业信用风险评估时,可以通过获取表征企业偿债能力和偿债意愿的企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等因子数据,并对这些因子数据进行预处理后,再通过预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;最后,依据企业偿债能力、偿债意愿的预测值和预设的函数,输出企业信用质量分析报告。因此,在无法获得企业的财务信息或者在获得的企业财务信息不全面、不客观的情况下,可以采用以上提到的这些因子数据替代财务信息,对企业信用风险进行评估。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1示出了本发明实施例提供的一种信用风险评估方法的流程示意图;
图2示出了本发明实施例提供的一种信用风险评估方法的流程示意图;
图3示出了本发明实施例提供的一种信用风险评估系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
参考图1,示出了本发明实施例提供的一种企业信用风险评估的方法的流程示意图,在本实施例中,所述方法可以包括S101~S103的步骤:
S101:获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润和总资产等;
本实施例中,通常情况下,对于企业偿债能力和偿债意愿的分析需要收集企业的财务信息,但是在无法收集到企业的这些财务信息的情况下,尤其是对于一些小公司来说,在财务信息不可得的情况下,可以采用其它的因子数据替代这些财务信息,来计算企业偿债能力和偿债意愿,技术人员经研究发现,企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润和总资产等数据,是与所述企业偿债能力和企业偿债意愿相关的因子数据。
本实施例中,所述与企业偿债能力和偿债意愿相关的因子数据可以保存在区块链技术生成的分布式账本中,因此,可以在该分布式账本中获取与企业偿债能力和偿债意愿相关的因子数据。
本实施例中,获取的因子数据中可能有一些异常或者残缺的数据,因此,需要对获取到的因子数据进行预处理,具体可以包括:
对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
本实施例中,例如,可以采用删除法删除因子数据中的异常数据,可以采用插值法补全缺失数据。
本实施例中,可以采用以下的公式1)分别对企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等这些不同维度的因子数据进行归一化;
其中,S归一化表示归一化后的因子数据,S表示未进行归一化前的因子数据,Smax表示该因子数据所属维度的最大值,Smin表示该因子数据所属维度的最小值。
S102:基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力与偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
本实施例中,对于历史因子数据可以理解为在此次获取到的因子数据之前,用于训练机器学习模型所用到的因子数据;对于历史企业偿债能力、偿债意愿可以理解为,在进行此次数据分析之前,用于训练该机器学习模型所用到的历史企业的偿债能力和偿债意愿。其中,历史企业偿债能力和历史企业偿债意愿可以是已收集到的历史企业偿债能力和历史企业偿债意愿的实际值;或者还可以是收集到的企业偿债能力和企业偿债意愿的预测值。
对机器学习模型进行训练时,可以将历史因子数据作为输入,将与该历史因子数据对应的历史企业偿债能力和历史企业偿债意愿作为输出对预设的机器学习模型进行训练。因此,当对此次的企业的因子数据进行分析时,可以将此次获取到的因子数据作为已训练过的机器学习模型的输入,输出企业的偿债能力和偿债意愿的预测值。
本实施例中,机器学习模型可以采用单一的机器学习模型,例如:支持向量机、神经网络、模糊聚类等机器学习模型;也可以同时采用多种机器学习模型,例如可以同时包括:支持向量机、神经网络、模糊聚类等机器学习模型中的至少两个。
本实施例中,针对于预设的机器学习模型,除了可以是以上提到的,可以同时计算企业偿债能力和企业偿债意愿,还可以包括:企业偿债能力机器学习模型和企业偿债意愿机器学习模型,即可以将第二因子数据作为企业偿债能力机器学习模型的输入数据,输出得到企业偿债能力的预测值;可以将第二因子数据作为企业偿债意愿机器学习模型的输入数据,输出得到企业偿债能力的预测值。
本实施例中,为了提高得到的企业偿债能力和偿债意愿的预测值的准确度,可以先通过本次得到的一些因子数据及收集到企业偿债能力和偿债意愿的实际值或者预测值对预设的机器学习模型进行调整,具体的,参考图2,S102可以包括S201~S203的步骤:
S201:将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
本实施例中,可以随机的将这些预处理后的因子数据划分为两部分,也可以将按照预设的比例将这些预处理后的因子数据划分为两部分,其中每部分预处理后的因子数据中均包括企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等维度的要素。
S202:将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力和偿债意愿包括:企业偿债能力、偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值。
本实施例中,预设的企业偿债能力与偿债意愿可以是预先保存在系统中,或者更具体的,可以是保存在由区块链技术生成的分布式账本中。其中,可以包括:企业偿债能力、偿债意愿的第一预测值;或者企业偿债能力、偿债意愿的实际值;或者企业偿债能力、偿债意愿的第一预测值和企业偿债能力、企业偿债意愿的实际值。
本实施例中,可以通过一部分预处理后的因子数据与企业偿债能力、企业偿债意愿的关系,对已训练的机器学习模型进行调整,得到更符合本次实际情况的机器学习模型。
S203:依据所述第二因子数据和调整后的所述预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值。
本实施例中,可以将第二因子数据作为调整后的预设的机器学习模型的输入,输出得到企业偿债能力、偿债意愿的预测值。
S103:依据所述企业偿债能力、偿债意愿的预测值和预设的函数,输出企业质量分析报告。
本实施例中,预设的函数可以如以下的公式2)所示:
2)Credit=a*Cb+b*CW;
其中,a和b分别表示偿债能力、偿债意愿的权重;Cb和CW分别表示企业偿债能力和企业偿债意愿的预测值。
本实施例中,对于a和b可以是根据技术人员的经验获得的,也可以是通过分析计算获得的。
本实施例中,当有用户想查看生成的企业质量分析报告时,可以通过特定的一些方式对企业质量报告进行查询,具体的还可以包括:
当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
若满足预设的输出规则,输出所述企业信用质量分析报告。
其中,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
举例说明:当用户想要查询企业信用质量分析报告时,若用户是具有可查询身份的会员,用户可以直接通过账号和密码登录后,直接查询企业信用质量分析报告;或者,用户可以进行支付后,对企业信用质量分析报告进行查询。
本实施例中,对企业信用风险评估时,可以通过获取表征企业偿债能力和偿债意愿的企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等因子数据,并对这些因子数据进行预处理后,再通过预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;最后,依据企业偿债能力、偿债意愿的预测值和预设的函数,输出企业信用质量分析报告。因此,在无法获得企业的财务信息或者在获得的企业财务信息不全面、不客观的情况下,可以采用以上提到的这些因子数据替代财务信息,对企业信用风险进行评估,解决了现有技术中,在信息不对称的情况下,无法对中小企业的信用风险进行准确评估的问题。
参考图3,示出了本发明实施例提供的一种企业信用风险评估系统,所述系统包括:
企业信息获取模块301,用于获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;其中所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等;
企业偿债能力与偿债意愿分析模块302,用于基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
企业信用质量分析报告生成模块303,用于依据所述企业偿债能力、偿债意愿的预测值和预设的函数,生成企业信用质量分析报告。
可选的,所述企业信息获取模块,包括:
数据处理子模块,用于对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
归一化子模块,用于对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
可选的,所述企业信用质量分析报告生成模块,包括:
数据划分子模块,用于将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
调整子模块,用于将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力与偿债意愿包括:企业偿债能力与偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值;
计算子模块,用于依据所述第二因子数据和调整后的所述机器学习模型,计算企业偿债能力、偿债意愿的预测值。
可选的,还包括:
判断模块,用于当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
输出模块,用于若满足预设的输出规则,输出所述企业信用质量分析报告。
可选的,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
本实施例中,对企业信用风险评估时,可以通过获取表征企业偿债能力和偿债意愿的企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等因子数据,并对这些因子数据进行预处理后,再通过预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;最后,依据企业偿债能力、偿债意愿的预测值和预设的函数,输出企业信用质量分析报告。因此,通过本实施例的装置,在无法获得企业的财务信息或者在获得的企业财务信息不全面、不客观的情况下,可以采用以上提到的这些因子数据替代财务信息,对企业信用风险进行评估。
需要说明的是,本说明书中的各个实施例均采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种企业信用风险评估方法,其特征在于,所述方法包括:
获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;其中所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等;
基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
依据所述企业偿债能力、偿债意愿的预测值和预设的函数,生成企业信用质量分析报告。
2.根据权利要求1所述的方法,其特征在于,所述对所述因子数据进行预处理,包括:
对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
3.根据权利要求1所述的方法,其特征在于,所述基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力与偿债意愿的预测值,包括:
将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力与偿债意愿包括:企业偿债能力与偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值;
依据所述第二因子数据和调整后的所述机器学习模型,计算企业偿债能力、偿债意愿的预测值。
4.根据权利要求1所述的方法,其特征在于,还包括:
当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
若满足预设的输出规则,输出所述企业信用质量分析报告。
5.根据权利要求4所述的方法,其特征在于,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
6.一种企业信用风险评估系统,其特征在于,所述系统包括:
企业信息获取模块,用于获取与企业偿债能力和偿债意愿相关的因子数据,并对所述因子数据进行预处理,得到预处理后的因子数据;其中所述因子数据包括:企业所处行业、所处区域、注册资本、经营年限、企业性质、净利润、总资产等;
企业偿债能力与偿债意愿分析模块,用于基于所述预处理后的因子数据和预设的机器学习模型,计算企业偿债能力、偿债意愿的预测值;其中,所述机器学习模型是已通过对历史因子数据和历史企业偿债能力、历史企业偿债意愿进行机器学习而训练得到的;所述历史企业偿债能力、历史企业偿债意愿包括:历史企业偿债能力、历史企业偿债意愿实际值和/或预测值;
企业信用质量分析报告生成模块,用于依据所述企业偿债能力、偿债意愿的预测值和预设的函数,生成企业信用质量分析报告。
7.根据权利要求6所述的系统,其特征在于,所述企业信息获取模块,包括:
数据处理子模块,用于对所述因子数据中的异常数据或者缺失数据进行处理,得到初始处理后的因子数据;
归一化子模块,用于对初始处理后的因子数据进行归一化处理,得到预处理后的因子数据。
8.根据权利要求6所述的系统,其特征在于,所述企业信用质量分析报告生成模块,包括:
数据划分子模块,用于将所述预处理后的因子数据划分为两部分,分别为第一因子数据和第二因子数据;
调整子模块,用于将所述第一因子数据和预设的企业偿债能力与偿债意愿对所述预设的机器学习模型进行调整;其中,所述预设的企业偿债能力与偿债意愿包括:企业偿债能力与偿债意愿的第一预测值和/或企业偿债能力与偿债意愿的实际值;
计算子模块,用于依据所述第二因子数据和调整后的所述机器学习模型,计算企业偿债能力、偿债意愿的预测值。
9.根据权利要求6所述的系统,其特征在于,还包括:
判断模块,用于当接收到输出所述企业信用质量分析报告的信息时,判断是否满足预设的输出规则;
输出模块,用于若满足预设的输出规则,输出所述企业信用质量分析报告。
10.根据权利要求9所述的系统,其特征在于,所述预设的输出规则可以包括以下的一个或者多个:
规则一:接收到已支付的指令;
规则二:接收到用户输入的预设的账号和密码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386051.6A CN107220769A (zh) | 2017-05-26 | 2017-05-26 | 一种企业信用风险评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710386051.6A CN107220769A (zh) | 2017-05-26 | 2017-05-26 | 一种企业信用风险评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220769A true CN107220769A (zh) | 2017-09-29 |
Family
ID=59946836
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710386051.6A Pending CN107220769A (zh) | 2017-05-26 | 2017-05-26 | 一种企业信用风险评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220769A (zh) |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730283A (zh) * | 2017-11-03 | 2018-02-23 | 中国银行股份有限公司 | 一种中小企业的征信方法及装置 |
CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
CN109767195A (zh) * | 2019-01-22 | 2019-05-17 | 浪潮软件集团有限公司 | 一种企业信息管理系统和方法 |
CN110020796A (zh) * | 2019-03-26 | 2019-07-16 | 苏州纤联电子商务有限公司 | 一种纺织行业企业信用风险评估方法及系统 |
CN110458687A (zh) * | 2019-07-05 | 2019-11-15 | 平安银行股份有限公司 | 决策自动审批方法、装置及计算机可读存储介质 |
CN110969330A (zh) * | 2018-09-30 | 2020-04-07 | 曹西军 | 企业竞争壁垒评估方法及系统 |
CN111476660A (zh) * | 2020-04-27 | 2020-07-31 | 大汉电子商务有限公司 | 一种基于数据分析的智能风控系统及方法 |
CN112041880A (zh) * | 2018-04-11 | 2020-12-04 | 金融及风险组织有限公司 | 用于评估信用风险的深度学习方法 |
CN112163757A (zh) * | 2020-09-24 | 2021-01-01 | 福建省星云大数据应用服务有限公司 | 一种企业风险评估方法及系统 |
CN112580992A (zh) * | 2020-12-23 | 2021-03-30 | 成都数联铭品科技有限公司 | 类金融企业的非法集资风险监测系统 |
CN112966913A (zh) * | 2021-02-25 | 2021-06-15 | 重庆维知达科技有限公司 | 一种企业质量信用数据分析方法及系统 |
CN113850523A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于数据补全的esg指数确定方法及相关产品 |
CN114092097A (zh) * | 2021-11-23 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险识别模型的训练方法、交易风险确定方法及装置 |
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
CN114092097B (zh) * | 2021-11-23 | 2024-05-24 | 支付宝(杭州)信息技术有限公司 | 风险识别模型的训练方法、交易风险确定方法及装置 |
-
2017
- 2017-05-26 CN CN201710386051.6A patent/CN107220769A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107730283A (zh) * | 2017-11-03 | 2018-02-23 | 中国银行股份有限公司 | 一种中小企业的征信方法及装置 |
CN108376319A (zh) * | 2018-03-14 | 2018-08-07 | 重庆金融资产交易所有限责任公司 | 企业综合实力评估方法、服务器及存储介质 |
CN112041880A (zh) * | 2018-04-11 | 2020-12-04 | 金融及风险组织有限公司 | 用于评估信用风险的深度学习方法 |
CN110969330A (zh) * | 2018-09-30 | 2020-04-07 | 曹西军 | 企业竞争壁垒评估方法及系统 |
CN109767195A (zh) * | 2019-01-22 | 2019-05-17 | 浪潮软件集团有限公司 | 一种企业信息管理系统和方法 |
CN110020796A (zh) * | 2019-03-26 | 2019-07-16 | 苏州纤联电子商务有限公司 | 一种纺织行业企业信用风险评估方法及系统 |
CN110458687A (zh) * | 2019-07-05 | 2019-11-15 | 平安银行股份有限公司 | 决策自动审批方法、装置及计算机可读存储介质 |
CN111476660A (zh) * | 2020-04-27 | 2020-07-31 | 大汉电子商务有限公司 | 一种基于数据分析的智能风控系统及方法 |
CN112163757A (zh) * | 2020-09-24 | 2021-01-01 | 福建省星云大数据应用服务有限公司 | 一种企业风险评估方法及系统 |
CN112163757B (zh) * | 2020-09-24 | 2023-09-22 | 福建省星云大数据应用服务有限公司 | 一种企业风险评估方法及系统 |
CN112580992A (zh) * | 2020-12-23 | 2021-03-30 | 成都数联铭品科技有限公司 | 类金融企业的非法集资风险监测系统 |
CN112580992B (zh) * | 2020-12-23 | 2024-04-09 | 成都数联铭品科技有限公司 | 类金融企业的非法集资风险监测系统 |
CN112966913A (zh) * | 2021-02-25 | 2021-06-15 | 重庆维知达科技有限公司 | 一种企业质量信用数据分析方法及系统 |
CN113850523A (zh) * | 2021-09-29 | 2021-12-28 | 平安科技(深圳)有限公司 | 基于数据补全的esg指数确定方法及相关产品 |
CN114092097A (zh) * | 2021-11-23 | 2022-02-25 | 支付宝(杭州)信息技术有限公司 | 风险识别模型的训练方法、交易风险确定方法及装置 |
CN114092097B (zh) * | 2021-11-23 | 2024-05-24 | 支付宝(杭州)信息技术有限公司 | 风险识别模型的训练方法、交易风险确定方法及装置 |
CN117710081A (zh) * | 2023-11-29 | 2024-03-15 | 浙江孚临科技有限公司 | 一种用于金融风险控制的信息服务处理系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220769A (zh) | 一种企业信用风险评估方法及系统 | |
Blonigen et al. | Dynamic pricing in the presence of antidumping policy: Theory and evidence | |
CN107292536A (zh) | 一种金融风险管理方法及系统 | |
CN108320142A (zh) | 资金清算监管系统及其数据处理方法 | |
WO2006004132A1 (ja) | 企業評価寄与因子及び/又は指標特定装置、特定プログラム並びに特定方法 | |
CN109191307A (zh) | 资产配置合理性判断方法、系统、计算机设备和存储介质 | |
CN109840847A (zh) | 一种去核心化供应链融资方法 | |
Karagiannis et al. | Intra-and inter-group composite indicators using the BoD model | |
Leahy | Lessons from the private finance initiative in the United Kingdom | |
Hyari | Owner’s countermeasures to skewed bidding in construction projects: Review of current practices and proposal for new countermeasures | |
Lerner | Simulating a cash budget | |
US20200134658A1 (en) | System and method for a cash back reward program | |
Penman | Valuation: The state of the art | |
CN105976096A (zh) | 一种资金审批使用及流向监控方法及对应的软件系统 | |
Maguire | South Carolina nonprofit policies and procedures: Achieving best practices for NPOs of different sizes | |
Henderson et al. | Portfolios of American options under general preferences: Results and counterexamples | |
Ovidiu-Constantin et al. | Risk management’s importance and role in audit | |
Poggensee et al. | Dynamic Investment Calculation Methods | |
JP6766023B2 (ja) | 情報処理装置及びプログラム | |
Hanselman | Best practices & strategic value of funds transfer pricing | |
Steyn | VAT and E-commerce: Still Looking for Answers? | |
Kurotová et al. | The process of determining the value of a company | |
Finan et al. | Valuation of Intangibles for Transfer Pricing Purposes: Convergence of Valuations for Transfer Pricing Purposes with Valuation for Other Purposes | |
Jackson | Revenue Accrual Quality as an Indicator of Financial Statement Fraud | |
de la Concha | A review of the DAC evaluation criteria: Upgrading efficiency |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170929 |